Classificazione dei profili di lesione del legamento crociato anteriore attraverso l’analisi della corsa: un approccio di machine learning

Perché le lesioni al ginocchio contano per le persone attive

Per molti atleti e persone attive, una lesione a un legamento del ginocchio può essere un punto di svolta che modifica il modo di muoversi per tutta la vita. Il legamento crociato anteriore, o LCA, è un importante stabilizzatore del ginocchio, e le rotture sono comuni negli sport che prevedono cambi di direzione, salti e arresti bruschi. Anche dopo l’intervento chirurgico e mesi di riabilitazione, spesso le persone non tornano al livello di prestazione precedente e possono affrontare un rischio maggiore di artrosi precoce. Questo studio esplora se i computer possono individuare minuscole modifiche nel modo di correre dopo la chirurgia del LCA, cambiamenti troppo sottili perché l’occhio o i test standard li rilevino.

Come lo studio ha esaminato i modelli di corsa

I ricercatori hanno reclutato 30 giovani atleti: 15 sani e 15 sottoposti a ricostruzione del LCA entro i precedenti 5-8 mesi. Tutti erano privi di dolore, autorizzati dai loro terapisti e gareggiavano a livelli simili in sport come calcio, futsal, arti marziali e pallavolo. Ogni atleta ha corso su un tapis roulant strumentato a velocità costante mentre sensori sotto la cintura registravano come i piedi toccavano la superficie. Da questo allestimento il team ha misurato caratteristiche di base della corsa come la durata di ogni passo e falcata, il tempo di appoggio e di volo, la lunghezza dei passi, e la velocità con cui forze e centro di pressione si muovevano sotto i piedi.

Trasformare i movimenti complessi in dati utilizzabili

La corsa è un’azione altamente ripetitiva, quindi anche piccoli cambiamenti nei tempi o nei carichi possono sommarsi in migliaia di passi. Il tapis roulant ha catturato 2.470 falcate individuali tra tutti i partecipanti, creando un dataset ricco ma complesso. Per interpretarlo, i ricercatori hanno prima standardizzato i numeri in modo che nessuna singola misura predominasse solo per avere una scala più ampia. Hanno poi usato un metodo matematico per comprimere i dati mantenendo la maggior parte della variazione importante. Da lì si sono concentrati su 11 caratteristiche chiave della corsa, tra cui tempo di falcata, tempo di appoggio, tempo di volo, lunghezza del passo e della falcata, forza verticale di picco, rapidità di aumento di quella forza e velocità con cui la pressione si sposta in avanti e lateralmente sotto il piede.

Lasciare che i computer separino corridori sani e infortunati

Con queste caratteristiche misurate, il team ha addestrato diversi tipi di programmi informatici noti come modelli di machine learning per distinguere i corridori sani da quelli con una storia di LCA. Hanno testato una gamma di strumenti comuni, inclusi alberi decisionali, foreste casuali, macchine a vettori di supporto e reti neurali. Per evitare di ingannarsi, hanno adottato un approccio di test accurato in cui le falcate di una stessa persona erano tenute interamente nel set di addestramento o interamente nel set di test. In questo modo i modelli dovevano generalizzare a persone nuove, non solo a nuovi passi della stessa persona. Il protagonista è stato un metodo semplice chiamato K nearest neighbors, che confronta ogni nuova falcata con quelle simili già viste. Ha classificato correttamente le falcate con elevata accuratezza e una capacità quasi perfetta di separare i due gruppi.

Cosa conta di più nella falcata di un corridore

Oltre a etichettare i corridori come sani o con LCA ricostruito, gli autori hanno voluto sapere quali parti del modello di corsa portassero le informazioni più utili. In diversi modelli, le caratteristiche temporali sono emerse come le più importanti. Tempo di falcata, tempo di appoggio e tempo di volo sono risultate particolarmente rilevanti, insieme alla rapidità con cui il centro di pressione si sposta in avanti sotto il piede. Questi risultati sono coerenti con ricerche precedenti che mostrano come, dopo la chirurgia del LCA, le persone spesso modifichino il tempo di permanenza su ciascuna gamba e il modo in cui caricano le articolazioni, anche se la loro corsa sembra normale agli osservatori. Pur essendo un albero decisionale più semplice più facile da interpretare, non ha gestito la complessità dei dati altrettanto bene quanto modelli che combinano molti alberi o che si basano su molti vicini.

Che cosa potrebbe significare per la riabilitazione e il ritorno allo sport

Lo studio suggerisce che dati di tapis roulant raccolti con cura, abbinati ad analisi informatiche moderne, possono rivelare cambiamenti persistenti nel modo di correre dopo la ricostruzione del LCA. Per gli atleti di tutti i giorni, questo potrebbe tradursi un giorno in controlli rapidi basati sui dati durante la riabilitazione che evidenzino se il loro passo si è realmente normalizzato o conserva ancora schemi associati a stress aggiuntivo sul ginocchio. I clinici potrebbero concentrare l’allenamento sul migliorare i tempi e la coordinazione lungo la falcata invece che solo sulla forza o sul livello di dolore. Se integrati in dispositivi indossabili o sistemi di feedback in tempo reale, modelli simili potrebbero aiutare a individuare prima i rischi di reinfortunio e guidare programmi di esercizi più mirati, con l’obiettivo a lungo termine di ridurre la probabilità di problemi cronici al ginocchio come l’artrosi precoce.

Citazione: Tavakoli, H., Ataabadi, P.A., Khezri, D. et al. Classification of anterior cruciate ligament injury profiles through running analysis: a machine learning approach. Sci Rep 16, 15010 (2026). https://doi.org/10.1038/s41598-026-44264-3

Parole chiave: lesione del LCA, analisi del passo, machine learning, biomeccanica della corsa, riabilitazione sportiva